DeepMind do Google pode inaugurar uma nova era da medicina

Recentemente, os círculos de tecnologia estão fervilhando com a notícia de que o DeepMind do Google atingiu um nível ainda mais alto de aplicação. Já se foram os dias de jogar Pong ou xadrez. Já em 2016, a DeepMind estava começando a ter implicações nos setores de saúde. Ultimamente, as habilidades do DeepMind podem agora ser capazes de nos mudar para uma nova era da medicina inteiramente. Vamos explorar de onde veio o DeepMind, como ele se tornou tão inteligente e como ele pode mudar o futuro da medicina por completo.

Origens da DeepMind

DeepMind foi uma startup de 2010 originalmente fundada por três pessoas: Shane Legg, Demis Hassabis e Mustafa Suleyman. Em uma entrevista, Hassabis observou que eles trabalharam na tecnologia de inteligência artificial escolhendo jogos primitivos dos anos 1970 e 1980 para a IA jogar. Como se saído do Ready Player One, a máquina de IA jogou com nomes como Space Invaders, Breakout e até mesmo o clássico retro, Pong.

Conforme a IA foi introduzida, ela aprendeu por meio do jogo, sem ter sido informada sobre as regras anteriormente. Depois de jogar e falhar por um tempo, a IA aprenderia e dominaria o jogo. Por exemplo, este vídeo ilustra o Atari Breakout de masterização de IA. De acordo com um artigo da Forbes, os processos cognitivos da IA ​​são considerados “muito parecidos com aqueles que um ser humano que nunca viu o jogo usaria” para compreender os conceitos-chave e se tornar adepto dele.

O jogo como ferramenta evolucionária

AlphaGo, um programa de computador Go desenvolvido pela DeepMind, venceu o campeão Europen Go Fan Hui (um dois dan em nove), cinco a zero em outubro de 2015. Esse foi um marco importante para a tecnologia de IA, pois foi a primeira vez que um computador foi capaz de vencer um jogador profissional de Go. A razão por trás disso é o nível de complexidade. Go é muito mais difícil para os computadores vencerem - em comparação com outros jogos como o xadrez - devido a uma ampla gama de possibilidades, tornando mais difícil para a IA usar métodos de pesquisa exaustivos para vencer.

Então, em março de 2016, AlphaGo derrotou Lee Sedol (um nove dan de nove), um dos melhores jogadores de Go do mundo em uma partida de quatro para um. No ano seguinte, AlphaGo venceu uma partida de três jogos contra Ke Jie, que ocupava o primeiro lugar mundial com Go nos últimos dois anos. Para aprender, a IA usou técnicas de aprendizado supervisionado, estudando muitos jogos que os humanos jogavam uns contra os outros.

Aprendizagem profunda por reforço

A tecnologia AlphaGo foi criada com base no método de aprendizado profundo por reforço, uma espécie de Aprendizado de Máquina. De acordo com um artigo do Artificial Intelligence Depot, ele “permite que máquinas e agentes de software determinem automaticamente o comportamento ideal dentro de um contexto específico, a fim de maximizar seu desempenho”. Quando a IA joga Go, por exemplo, o feedback de recompensa simples ajuda a IA a aprender com a experiência e isso é chamado de "sinal de reforço".

AlphaGo e AlphaGo Zero

À medida que a AlphaGo aprendeu observando os outros e jogando mais jogos Go, ela aprendeu não apenas com as falhas, mas também com as vitórias. Em seguida, os dados históricos foram adicionados ao seu conhecimento de jogos até que ele tivesse processado mais de 30 milhões de jogos. AlphaGo Zero, uma versão melhorada, derrotou os jogos AlphaGo 100 a zero em 2017. Surpreendentemente, essa façanha foi possível depois de apenas três dias de AlphaGo Zero aprendendo o jogo. Além disso, AlphaZero, um AlphaGo Zero modificado, tornou-se super-humano hábil no xadrez e no aprendizado de shogi puramente por meio do auto-jogo.

DeepMind Health & Ocular Disease Identification

Em 2016, a DeepMind entrou em colaboração com o Moorsfield Eye Hospital para desenvolver aplicativos de IA para a saúde. Seu foco era melhorar a forma como os pacientes são tratados e encaminhados para doenças oculares.

Atualmente, os profissionais de saúde ocular utilizam tomografia de coerência óptica (OCT) para auxiliar no diagnóstico de doenças oculares. As varreduras de OCT são imagens 3D que mapeiam a parte de trás do olho. Eles são notoriamente difíceis de ler e precisam de análise especializada para obter mais compreensão. Entre o longo tempo de análise e o grande número de exames por dia (cerca de 1.000 por dia em Moorfields), o tempo entre o exame e o tratamento pode ser bastante atrasado - mesmo no caso de atendimento urgente. Infelizmente, isso significa que, se houver um problema de início súbito, como sangramento, o atraso da varredura para o tratamento pode até custar a visão do paciente.

O artigo da DeepMind relata que seu sistema de IA "pode ​​interpretar rapidamente exames de olho da prática clínica de rotina com precisão sem precedentes" e, em seguida, recomendar cursos de tratamento "com a mesma precisão dos médicos especialistas líderes mundiais". O sistema pode detectar a presença de doenças oculares em segundos, bem como priorizar os pacientes que mais precisam de atendimento urgente. Devido a esta tecnologia, o tempo de espera entre a varredura e o tratamento será drasticamente reduzido, ajudando aqueles em risco e diminuindo a chance de perda dos olhos devido ao lapso de tempo.

DeepMind Health & Ocular Disease Identification

No início deste ano, a DeepMind fez parceria com o Cancer Research UK Imperial Center para avaliar se a tecnologia de IA poderia ajudar os profissionais no diagnóstico do câncer de mama em mamografias de forma mais eficaz e rápida do que um profissional humano. O trabalho continua enquanto a DeepMind espera ajudar a melhorar o reconhecimento do câncer de mama, como fez com as doenças oculares.

Em 4 de outubro de 2018, um artigo da DeepMind anunciou que o projeto da DeepMind Health estava sendo expandido para o Jikei University Hospital - uma das principais instituições médicas do Japão - para uma parceria de cinco anos. O objetivo do emparelhamento é analisar mamografias históricas e não identificadas de cerca de 30.000 mulheres ao lado do banco de dados de mamografias históricas e não identificadas fornecidas pelo Reino Unido, a fim de ver se a tecnologia pode localizar sinais de tecido cancerígeno em raios-x de forma mais eficaz do que as técnicas atuais.

No entanto, a pesquisa deve ser conduzida com cuidado, pois pode ocorrer distorção quando um sistema de IA é treinado em dados que não refletem com precisão aqueles que ele está tentando ajudar ou avaliar. Por exemplo, pode haver variações na densidade da mama entre grupos étnicos, um fator que poderia acidentalmente fazer com que algumas pacientes fossem rotuladas como cancerosas, quando na verdade sua densidade era apenas maior.

DeepMind e Predicting Eye Disease

Assim como a DeepMind Health usou os exames de OCT para observar a presença da doença, os profissionais estão tentando ver se ele também pode ser usado para prever a doença iminente antes que aconteça. Ao analisar 7.000 pacientes no Moorfield Eye Hospital que receberam tratamento ocular em apenas um olho, a máquina pode tentar prever a deterioração no outro olho.

De acordo com um artigo da DeepMind, “prever indicadores potenciais para doenças é uma tarefa muito mais complicada - e computacionalmente intensa - do que identificar sintomas conhecidos existentes.” Para combinar a capacidade com a necessidade de computação, DeepMind e Moorfields concordaram em usar a infraestrutura de computação em nuvem do Google do Reino Unido e dos Estados Unidos.

AlphaFold Protein Folding

Recentemente, o mais recente programa de IA da DeepMind, AlphaFold, venceu a concorrência em uma façanha particularmente extenuante: prever as formas 3D das proteínas. Embora possa ser pouco discutido fora dos círculos acadêmicos, o dobramento de proteínas envolve a todos. É uma forma de “origami molecular”, conforme publicado por um artigo no The Guardian. Os cientistas costumam usar microscopia crioeletrônica, cristalografia de raios-X e ressonância magnética nuclear para determinar as formas das proteínas, mas isso depende de tentativa e erro, tempo e dinheiro.

Quanto maior a proteína, mais difícil é modelá-la corretamente, pois há mais interações a serem levadas em consideração. Por exemplo, o DNA contém informações sobre os aminoácidos, que formam longas cadeias. Prever a estrutura dessas cadeias e como elas se formam em formas 3D é o "problema de dobramento de proteínas". Como observa um artigo da DeepMind, o paradoxo de Levinthal afirma que “levaria mais tempo do que a idade do universo para enumerar todas as configurações possíveis de uma proteína típica antes de atingir a estrutura 3D certa”.

Compreender a forma de uma proteína é percorrer um longo caminho para compreender sua função. Este ato sozinho de dobramento de proteínas previsto por IA poderia trazer um processo massivo para os campos científicos e médicos. Leve em consideração que, quando as proteínas ficam emaranhadas ou mal dobradas, elas podem levar ao diabetes, Parkinson, Huntington, fibrose cística e doença de Alzheimer.

A esperança é que, se os cientistas puderem prever a forma de uma proteína a partir de sua composição química, eles possam descobrir o que ela faz e como ela pode se dobrar incorretamente e causar danos. Além disso, as aplicações de IA podem até mesmo projetar novas proteínas para combater doenças ou realizar tarefas, inaugurando uma nova era da medicina.